---
title: "Resultados del Monitoreo Acústico Awake"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
#    storyboard: true
    social: menu
    source: embed
---

```{r setup, include=FALSE}
library(flexdashboard)
```

Hitos
=======================================================================

Column {data-width=300}
-----------------------------------------------------------------------


### chart1

```{r}
valueBox(260, caption = "Horas de capacitación", icon="fa-graduation-cap")


```


### Chart 2

```{r}
valueBox(27, caption = "Anfitriones participando", 
         icon="fa-users", color= "warning")


```


### Chart 3

```{r}
valueBox(167, caption = "Sitios instalados", 
         icon="fa-map-marker", color= "info")


```


### Chart 3

```{r}
valueBox(526.332, caption = "Archivos de Audio", 
         icon="fa-file-audio-o", color= "success")


```

### Chart 3

```{r}
valueBox(217, caption = "Especies validadas", 
         icon="fa-check-square-o", color= "info")


```


Column {data-width=300}
-----------------------------------------------------------------------


### Anfitriones subiendo información a la plataforma

```{r}
gauge(95, min = 0, max = 100, symbol = '%',
      #label="Anfitriones subiendo información a la plataforma",
      gaugeSectors(
  success = c(70, 100), warning = c(40, 69), danger = c(0, 39)
  ))

```

### Participación de mujeres

```{r}
gauge(45, min = 0, max = 100, symbol = '%',
      #label="Anfitriones subiendo información a la plataforma",
      gaugeSectors(
  success = c(70, 100), warning = c(40, 69), danger = c(0, 39)
  ))

```

### Chart 3

```{r}
valueBox(42, caption = "Patrones de reconocimiento", 
         icon="fa-cogs", color= "success")


```

### Chart 3

```{r}
valueBox(17, caption = "Especies priorizadas", 
         icon="fa-list-alt", color= "success")


```



Column {data-width=400}
-----------------------------------------------------------------------

### Resumen de metodos y resultados

Capacitaciones

- Realizamos talleres presenciales con los anfitriones en Choco, Cauca, Putumayo Valle del Cauca, Meta, y Casanare.

- Realizamos capacitaciones virtuales con los anfitriones para resolver dudas y hacer sueguimiento al proceso de programación, configuración y subida de informacion a la plataforma Arbimon.

- Visitas de campo a los 27 anfitriones.

Grabadoras

- Instalamos 100 grabadoras del tipo Audiomoth, de la mano de 27 anfitriones de Awake.

- Las grabadoras capturaron mas de medio millon de archivos de audio que corresponden a 1.5 Teras de información.

- Se desarrolló e implementó un protocolo de monitoreo, que puede ser replicado.

Detalles adicionales 

- [Monitoreo Acustico](https://monitoreo-acustico.netlify.app)
- [AwakeBIO](https://awake.travel/awakebio)


Mapa
=======================================================================

Column {data-width=650}
-----------------------------------------------------------------------

### Localizacion de especies identificadas




```{r}
#### Codigo mapa
library(readxl)
library(tidyverse)
library(viridis)
library(patchwork)
library(hrbrthemes)
library(circlize)
library(sf)
library(mapview)
library(networkD3)

awake <- read_excel("D:/BoxFiles/Box Sync/CodigoR/Awake_datos/data/Plantilla_de_registros_3.5_aves_cleaned_AnfitrionFixed.xlsx")

awake_sf = st_as_sf(awake, coords = c("decimalLongitude", "decimalLatitude"), crs = 4326)


# df %>% group_by(id) %>% mutate(csum = cumsum(value))

awake_2 <- awake_sf %>%
  group_by(verbatimLocality) %>%
  # mutate(csum = cumsum(occurrenceID))
  summarise(recording = n_distinct(occurrenceID )) 

mapview(awake_2, cex = "recording", alpha = 0.1,
        zcol = "verbatimLocality", map.types	
="CartoDB.DarkMatter" ) #zcol = "verbatimLocality


```
Column {.tabset data-width=350}
-----------------------------------------------------------------------

### Metodologia

Grabaciones

- Instalamos 100 grabadoras del tipo Audiomoth, de la mano de 27 anfitriones de Awake.

- Cada anfitrion instaló de una a cuatro grabadoras en su reserva.

- Las grabadoras estuvieron activas de una semana a un mes en cada sitio de instalacion.

- En cada región un especialista identifico acusticamente algunas especies.

- El tamaño del circulo en el mapa representa el número de grabaciones de cada reserva que se lograron identificar hasta especie.


Detalles adicionales 

- [Monitoreo Acustico](https://monitoreo-acustico.netlify.app)
- [AwakeBIO](https://awake.travel/awakebio)



Especies y anfitriones
=======================================================================

Column {data-width=650}
-----------------------------------------------------------------------

### Red de especies y anfitriones

```{r}
#Codigo para red bipartita

awake_3 <- awake_sf %>%
  select(scientificName, eventDate, stateProvince,
         order, family, genus, occurrenceID, verbatimLocality) %>% 
   count(scientificName, verbatimLocality, sort = TRUE)
  #filter(stateProvince=="Cauca") %>%
  #group_by(verbatimLocality) %>%
   #mutate(csum = sum(scientificName))
  #summarise(recording = n_distinct(occurrenceID ))

#### put italica
#awake_3$scientificName <- paste("_",awake_3$scientificName, "_", sep="")

# From these flows we need to create a node data frame: it lists every entities involved in the flow
nodes <- data.frame(name=c(
            as.character(awake_3$scientificName),
            as.character(awake_3$verbatimLocality)) %>%
                      unique())

awake_3$scientificName=match(awake_3$scientificName, nodes$name)-1 
awake_3$verbatimLocality=match(awake_3$verbatimLocality, nodes$name)-1

# prepare colour scale
ColourScal ='d3.scaleOrdinal() .range(["#FDE725FF","#B4DE2CFF","#6DCD59FF","#35B779FF","#1F9E89FF","#26828EFF","#31688EFF","#3E4A89FF","#482878FF","#440154FF"])'


# Make the Network
sankeyNetwork(Links = awake_3, Nodes = nodes,
                     Source = "scientificName", 
                    Target = "verbatimLocality",
                     Value = "n", NodeID = "name", 
                     sinksRight=FALSE, colourScale=ColourScal, nodeWidth=40, fontSize=10, nodePadding=4, width=1000)


# ="CartoDB.DarkMatter" ) #zcol = "verbatimLocality

#library(dygraphs)
#dygraph(nhtemp, main = "New Haven Temperatures") %>% 
#  dyRangeSelector(dateWindow = c("1920-01-01", "1960-01-01"))
```

Column {data-width=350}
-----------------------------------------------------------------------

### Metodologia

- Se selecionaron 17 especies con muy buenos patrones de reconocimiento en Arbimon y se buscaron con algoritmos de inteligencia artificial en todas las grabaciones. 

- En la grafica se muestra cuales especies se encuentran en la reserva de cual anfitrion.

- El ancho de la banda gris representa el numero de grabaciones de esa especie en la reserva.


Detalles adicionales 

- [Monitoreo Acustico](https://monitoreo-acustico.netlify.app)
- [AwakeBIO](https://awake.travel/awakebio)


Taxonomia
=======================================================================

Column {data-width=650}
-----------------------------------------------------------------------


### Especies encontradas en Putumayo

```{r}
library(plotly)
p <- ggplot(data = diamonds, aes(x = cut, fill = clarity)) +
            geom_bar(position = "dodge")
ggplotly(p)
```


Column {data-width=350}
-----------------------------------------------------------------------

### Texto


https://plot.ly/ggplot2/

If you use ggplot2, `ggplotly()` converts your plots to an interactive, web-based version! It also provides sensible tooltips, which assists decoding of values encoded as visual properties in the plot.

plotly supports some chart types that ggplot2 doesn't (such as 3D surface, point, and line plots). You can create these (or any other plotly) charts using `plot_ly()`.